基于遗传算法设计模糊RBF神经网络控制器

摘要

模糊理论,神经网络遗传算法的融合正在控制领域显示出巨大的应用潜力.该文在对上述三种方法进行结合和改进的基础上,提出了一种可以在无模型和无先验知识的情况下设计鲁棒控制器的方法,并且通过对典型非线性工业对象CSTR的仿真应用,验证了该方法良好性能.该方法的实现,得益于两点关键:一是对遗传算法的改进:通过引进模糊编码方法来表示模糊神经控制器的结构,极大地减少了参数优化任务,加快了遗传算法的运行;并且还引入了优良模式自学习操作,改善了遗传算法的性能;二是灵活转换控制器结构:利用两种模糊神经控制器的性能等价性,交替使用两种结构,发挥了其各自的优势.

目录

文摘

英文文摘

前言

1.模糊控制技术的研究状况：

2.神经网络辅助模糊控制器设计：

3.遗传算法辅助模糊控制器设计

4.总结

第一章模糊控制

1.1引言

1.2模糊控制系统

1.2.1简介

1.2.2模糊控制的特点

1.3模糊逻辑推理法和非模糊化

1.3.1控制规则的结论部分为模糊集合

1.3.2控锄规则的结论部分为线性函数（高木-关野模糊推理法）

1.3.3控制规则的结论部分为实数值

1.4模糊控制器的设计

1.4.1选择合适的模糊控制器类型

1.4.2确定输入输出变量的论域和规范化的变量因子

1.4.3确定输入输出变量的模糊集合数及各模糊集的隶属函数

1.4.4 设计语言控制规则

1.4.5选择模糊推理法和非模糊化法

1.5模糊控制理论研究的问题

第二章神经网络控制

2.1神经网络概述

2.1.1神经网络的发展历程

2.1.2人工神经元模型

2.1.3人工神经网络结构及其特点

2.1.4神经网网络的特点

2.2前馈神经网络

2.2.1前馈神经网络概述

2.2.2反馈神经网络概述

2.3局部逼近神经网络

2.3.1局部逼近神经网络原理概述

2.3.2 RBF神经网络

第三章模糊控制和神经网络的结合

3.1模糊控制和神经网络结合的背景

3.2两种模糊神经控制器的结构

3.2.1标准模糊神经控制器结构

3.2.2 RBF型的模糊神经控制器结构

第四章遗传算法

4.1引言

4.2标准遗传算法

4.2.1遗传算法的发展

4.2.2.标准遗传算法的实现

4.2.3遗馋算法的特点和有待解决的问题

4.3改进的遗传算法

4.3.1模糊编码遗传算法

4.3.2优良模式自学习遗传算法

4.3.3优良模试自学习模糊遗传算法

第五章模糊RBF神经控制器的实例仿真

5.1典型的非线性工业过程CSTR对象描述

5.2对CSTR模型设计模糊神经控制器

5.2.1设计算法的原理

5.2.2实时控制CSTR仿真结果与分析

5.2.3鲁棒性仿真结果与分析

5.2.4对象模型未知时的运行方案

5.2.5等价的模糊查询表

第六章结论与展望

参考文献

致 谢